Skip to content

Files

Latest commit

 

History

History
152 lines (119 loc) · 8.32 KB

test_train_inference_python.md

File metadata and controls

152 lines (119 loc) · 8.32 KB

Linux端基础训练预测功能测试

Linux端基础训练预测功能测试的主程序为test_train_inference_python.sh，可以测试基于Python的模型训练、评估、推理等基本功能，包括裁剪、量化、蒸馏。

  • Mac端基础训练预测功能测试参考链接
  • Windows端基础训练预测功能测试参考链接

1. 测试结论汇总

  • 训练相关：
算法名称 模型名称 单机单卡 单机多卡 多机多卡 模型压缩（单机多卡）
PPYOLO ppyolo_mbv3_large_coco 正常训练
混合精度		 正常训练
混合精度		 正常训练
混合精度		 正常训练：FPGM裁剪、PACT量化
离线量化（无需训练）
PPYOLO ppyolo_r50vd_dcn_1x_coco 正常训练
混合精度		 正常训练
混合精度		 正常训练
混合精度		 正常训练：FPGM裁剪、PACT量化
离线量化（无需训练）
  • 预测相关：基于训练是否使用量化，可以将训练产出的模型可以分为正常模型和量化模型，这两类模型对应的预测功能汇总如下，
模型类型 device batchsize tensorrt mkldnn cpu多线程
正常模型 GPU 1/8 fp32/fp16 - -
正常模型 CPU 1/8 - fp32/fp16 支持
量化模型 GPU 1/8 int8 - -
量化模型 CPU 1/8 - int8 支持

2. 测试流程

运行环境配置请参考文档的内容配置TIPC的运行环境。

2.1 安装依赖

  • 安装PaddlePaddle >= 2.2
  • 安装PaddleDetection依赖 
    pip install -r ./requirements.txt
pip install -r ./test_tipc/requirements.txt
  • 安装autolog（规范化日志输出工具） 
    git clone https://github.com/LDOUBLEV/AutoLog
cd AutoLog
pip install -r ./requirements.txt
python setup.py bdist_wheel
pip install ./dist/auto_log-1.0.0-py3-none-any.whl
  • 安装PaddleSlim (可选) 
    # 如果要测试量化、裁剪等功能，需要安装PaddleSlim
pip install paddleslim

2.2 功能测试

先运行prepare.sh准备数据和模型，然后运行test_train_inference_python.sh进行测试，最终在test_tipc/output目录下生成python_infer_*.log格式的日志文件， 以yolov3_darknet53_270e_coco为例。

test_train_inference_python.sh包含5种运行模式，每种模式的运行数据不同，分别用于测试速度和精度，分别是：

  • 模式1：lite_train_lite_infer，使用少量数据训练，用于快速验证训练到预测的走通流程，不验证精度和速度；
bash test_tipc/prepare.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt 'lite_train_lite_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt 'lite_train_lite_infer'
  • 模式2：lite_train_whole_infer，使用少量数据训练，一定量数据预测，用于验证训练后的模型执行预测，预测速度是否合理；
bash test_tipc/prepare.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt  'lite_train_whole_infer'
bash test_tipc/test_train_inference_python.sh ../test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt 'lite_train_whole_infer'
  • 模式3：whole_infer，不训练，全量数据预测，走通开源模型评估、动转静，检查inference model预测时间和精度;
bash test_tipc/prepare.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt 'whole_infer'
# 用法1:
bash test_tipc/test_train_inference_python.sh ../test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt 'whole_infer'
# 用法2: 指定GPU卡预测，第三个传入参数为GPU卡号
bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt 'whole_infer' '1'
  • 模式4：whole_train_whole_infer，CE： 全量数据训练，全量数据预测，验证模型训练精度，预测精度，预测速度；
bash test_tipc/prepare.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt 'whole_train_whole_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt 'whole_train_whole_infer'
  • 模式5：klquant_whole_infer，测试离线量化；
bash test_tipc/prepare.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt  'klquant_whole_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/yolov3/yolov3_darknet53_270e_coco_train_infer_python.txt  'klquant_whole_infer'

运行相应指令后，在test_tipc/output文件夹下自动会保存运行日志。如'lite_train_lite_infer'模式下，会运行训练+推理的链条，因此，在test_tipc/output文件夹有以下文件：

test_tipc/output/
|- results_python.log    # 运行指令状态的日志
|- norm_train_gpus_0_autocast_null/  # GPU 0号卡上正常训练的训练日志和模型保存文件夹
|- pact_train_gpus_0_autocast_null/  # GPU 0号卡上量化训练的训练日志和模型保存文件夹
......
|- python_infer_cpu_usemkldnn_True_threads_1_precision_fluid_batchsize_1.log  # CPU上开启Mkldnn线程数设置为1，测试batch_size=1条件下的预测运行日志
|- python_infer_gpu_precision_trt_fp16_batchsize_1.log # GPU上开启TensorRT，测试batch_size=1的半精度预测日志
......

其中results_python.log中包含了每条指令的运行状态，如果运行成功会输出：

Run successfully with command - python3.7 tools/train.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml -o use_gpu=True save_dir=./test_tipc/output/norm_train_gpus_0_autocast_null epoch=1 pretrain_weights=https://paddledet.bj.bcebos.com/models/yolov3_darknet53_270e_coco.pdparams TrainReader.batch_size=2 filename=yolov3_darknet53_270e_coco  !
Run successfully with command - python3.7 tools/eval.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml -o weights=./test_tipc/output/norm_train_gpus_0_autocast_null/yolov3_darknet53_270e_coco/model_final.pdparams use_gpu=True  !
......

如果运行失败，会输出：

Run failed with command - python3.7 tools/train.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml -o use_gpu=True save_dir=./test_tipc/output/norm_train_gpus_0_autocast_null epoch=1 pretrain_weights=https://paddledet.bj.bcebos.com/models/yolov3_darknet53_270e_coco.pdparams TrainReader.batch_size=2 filename=yolov3_darknet53_270e_coco  !
Run failed with command - python3.7 tools/eval.py -c configs/yolov3/yolov3_darknet53_270e_coco.yml -o weights=./test_tipc/output/norm_train_gpus_0_autocast_null/yolov3_darknet53_270e_coco/model_final.pdparams use_gpu=True  !
......

可以很方便的根据results_python.log中的内容判定哪一个指令运行错误。

2.3 精度测试

使用compare_results.py脚本比较模型预测的结果是否符合预期，主要步骤包括：

  • 提取日志中的预测坐标；
  • 从本地文件中提取保存好的坐标结果；
  • 比较上述两个结果是否符合精度预期，误差大于设置阈值时会报错。

使用方式

运行命令：

python3.7 test_tipc/compare_results.py --gt_file=./test_tipc/results/python_*.txt  --log_file=./test_tipc/output/python_*.log --atol=1e-3 --rtol=1e-3

参数介绍：

  • gt_file： 指向事先保存好的预测结果路径，支持*.txt 结尾，会自动索引*.txt格式的文件，文件默认保存在test_tipc/result/ 文件夹下
  • log_file: 指向运行test_tipc/test_train_inference_python.sh 脚本的infer模式保存的预测日志，预测日志中打印的有预测结果，比如：文本框，预测文本，类别等等，同样支持python_infer_*.log格式传入
  • atol: 设置的绝对误差
  • rtol: 设置的相对误差

运行结果

正常运行效果如下图：

出现不一致结果时的运行输出：

3. 更多教程

本文档为功能测试用，更丰富的训练预测使用教程请参考：
模型训练
PaddleDetection预测部署